Sumin's Blog

Abstract We present an approach for learning to translate an image from a source domain X to a target domain Y in the absence of paired examples. 1. Introduction Paired training data (left) consists of training examples {xi , yi} N i=1, where the correspondence between xi and yi exists . unpaired training data (right), consisting of a source set {xi} N i=1 (xi ∈ X) and a target set {yj}M j=1 (yj..

CycleGAN CycleGAN의 문제 상황 : Unpaired 데이터셋 상황에서 GAN 손실 함수만 사용한다면? 특정한 이미지 x가 주어졌을 떄, target domain Y 의 그럴싸한 이미지로 바꾸도록 학습할 수 있음 (x랑 y는 서로 매칭되어 있지 않은 상태 ) 매칭되는 y없이 단순히 이미지 x의 특성을 타겟 도메인 Y의 특성으로 바꾸고자 함 어떤 입력이든 y 도메인에 해당하는 하나의 이미지만 내보내려고 학습이 될 수도 있음 결과적으로 , 추가적인 제약조건이 필요 CycleGAN의 핵심 아이디어 Cycle-consistency loss를 사용 이미지를 translation 시킬 때, 다시 원본으로 돌아올 수도 있도록 함 CycleGAN은 G(x)가 다시 원본 이미지 x로 재구성될 수 있도록 함 원..

Unsupervised 학습 방식 Generative 모델로서 노이즈로부터 실제와 유사한 결과물 생성 Generative Model vs Discriminative Model CycleGAN 쌍을 이루지 않은 데이터 셋으로 학습이 가능한 image-to-image translation 메서드를 제안 GAN의 목표와 Image-to-Image Translation 소개 Gan을 이용하여 이미지의 분포를 근사하는 모델 G를 학습 생성 모델(Generative Model) : 실존하지 않지만 있을 법한 이미지를 생성할 수 있는 모델을 의미 Generative Adversarial Network (GAN) 구조 살펴보기 생성자(generator)와 판별자(discriminator) 두 개의 네트워크로 구성 판별..